Wyobra\u017a sobie, \u017ce patrzysz na odwr\u00f3cony obraz cz\u0105steczki. Ty, b\u0119d\u0105c cz\u0142owiekiem, bez wysi\u0142ku uznajesz j\u0105 za t\u0119 sam\u0105 cz\u0105steczk\u0119, tylko odwr\u00f3con\u0105. Jednak z perspektywy modelu uczenia maszynowego ten skorygowany obraz mo\u017ce by\u0107 interpretowany jako zupe\u0142nie nowy i niezbadany punkt danych. Ten dylemat zwraca uwag\u0119 na jedn\u0105 z podstawowych zasad informatyki - symetri\u0119. Zgodnie z definicj\u0105 techniczn\u0105, cz\u0105steczka jest \u2018symetryczna\u2019, je\u015bli jej podstawowa struktura pozostaje niezmieniona w wyniku przekszta\u0142ce\u0144, takich jak obr\u00f3t. <\/p>\n
Znaczenie symetrii staje si\u0119 szczeg\u00f3lnie widoczne w dziedzinie odkrywania lek\u00f3w. W tej dziedzinie niezdolno\u015b\u0107 modeli uczenia maszynowego do rozpoznawania symetrii mo\u017ce prowadzi\u0107 do b\u0142\u0119dnych przewidywa\u0144 dotycz\u0105cych zachowania molekularnego. Pomimo pewnych post\u0119p\u00f3w, kwestia szkolenia modeli w celu skutecznego zarz\u0105dzania symetri\u0105 w efektywny spos\u00f3b wci\u0105\u017c pozostaje nierozwi\u0105zana. Jednak post\u0119py poczynione przez zesp\u00f3\u0142 naukowc\u00f3w z MIT sugeruj\u0105, \u017ce rozwi\u0105zanie mo\u017ce by\u0107 wreszcie w zasi\u0119gu r\u0119ki.<\/p>\n
Naukowcy zapocz\u0105tkowali pierwsz\u0105 przekonuj\u0105co skuteczn\u0105 metod\u0119 uczenia modeli uczenia maszynowego, kt\u00f3ra respektuje symetri\u0119. Prze\u0142om ten nie tylko zapewnia rozwi\u0105zanie d\u0142ugotrwa\u0142ego wyzwania teoretycznego, ale tak\u017ce stanowi potencjalny prze\u0142om dla bardziej niezawodnych i precyzyjnych system\u00f3w sztucznej inteligencji. Potencjalne zastosowania obejmuj\u0105 r\u00f3\u017cne dziedziny, takie jak materia\u0142oznawstwo i modelowanie klimatu.<\/p>\n
Id\u0105c dalej w kierunku podej\u015bcia inspirowanego natur\u0105, Behrooz Tahmasebi, absolwent MIT i wsp\u00f3\u0142autor badania, wyja\u015bnia: \u201cTe symetrie s\u0105 kluczowe, poniewa\u017c s\u0105 to rodzaje informacji, kt\u00f3re natura udost\u0119pnia na temat danych. Informacje te powinny zosta\u0107 w\u0142\u0105czone do naszych modeli uczenia maszynowego. Wykazali\u015bmy, \u017ce efektywne uczenie maszynowe z symetrycznymi danymi jest rzeczywi\u015bcie wykonalne\u201d.\u201d<\/p>\n
Symetria wyst\u0119puje w naturalnych i fizycznych konfiguracjach. Model uczenia maszynowego, kt\u00f3ry interpretuje symetri\u0119, mo\u017ce pozwoli\u0107 na rozpoznanie obiektu, takiego jak na przyk\u0142ad samoch\u00f3d, niezale\u017cnie od jego po\u0142o\u017cenia na obrazie. Brak tego zrozumienia mo\u017ce sprawi\u0107, \u017ce modele b\u0119d\u0105 podatne na niedok\u0142adno\u015bci, gdy napotkaj\u0105 nieznane, symetryczne dane.<\/p>\n
Podejmowano pr\u00f3by rozwi\u0105zania tego problemu za pomoc\u0105 metod takich jak powi\u0119kszanie danych, kt\u00f3re obejmuje tworzenie wielu przekszta\u0142conych wersji tego samego punktu danych. Mo\u017ce to jednak wymaga\u0107 du\u017cych zasob\u00f3w i nie zapewnia \u015bwiadomo\u015bci symetrii w modelu.<\/p>\n
Ostatnie badania przeprowadzone przez zesp\u00f3\u0142 MIT mia\u0142y na celu obej\u015bcie tych ogranicze\u0144. Naukowcy zastosowali podw\u00f3jn\u0105 struktur\u0119 \u0142\u0105cz\u0105c\u0105 algebr\u0119 i geometri\u0119. Korzystaj\u0105c z technik algebraicznych, zmniejszyli z\u0142o\u017cono\u015b\u0107 zadania uczenia si\u0119, podczas gdy spostrze\u017cenia geometryczne u\u0142atwi\u0142y uchwycenie prawdziwej istoty symetrii w danych. Ostatecznie doprowadzi\u0142o ich to do sformu\u0142owania optymalnej r\u00f3wnowagi, kt\u00f3ra wa\u017cy zar\u00f3wno dok\u0142adno\u015b\u0107, jak i wydajno\u015b\u0107.<\/p>\n
Ten rewolucyjny post\u0119p toruje drog\u0119 dla nowej klasy modeli uczenia maszynowego, kt\u00f3re s\u0105 nie tylko dok\u0142adniejsze, ale tak\u017ce bardziej interpretowalne i zasobooszcz\u0119dne. Istnieje teraz mo\u017cliwo\u015b\u0107 zag\u0142\u0119bienia si\u0119 w wewn\u0119trzn\u0105 mechanik\u0119 grafowych sieci neuronowych (GNN) i zestawienia jej z tym nowym algorytmem.<\/p>\n
Rzeczywi\u015bcie, jak twierdzi Ashkan Soleymani, inny absolwent MIT i wsp\u00f3\u0142autor, \u201cKiedy lepiej to zrozumiemy, b\u0119dziemy mogli zaprojektowa\u0107 bardziej interpretowalne, solidne i wydajne architektury sieci neuronowych\u201d.\u201d<\/p>\n
Ta pionierska praca by\u0142a wspierana przez National Research Foundation of Singapore, DSO National Laboratories of Singapore, U.S. Office of Naval Research, U.S. National Science Foundation oraz Alexander von Humboldt Professorship. Aby zag\u0142\u0119bi\u0107 si\u0119 w te badania, zapraszamy do przeczytania oryginalnego artyku\u0142u: MIT News: Nowe algorytmy umo\u017cliwiaj\u0105 efektywne uczenie maszynowe z symetrycznymi danymi<\/a>.<\/p>","protected":false},"excerpt":{"rendered":" Envision gazing at a spun image of a molecule. You, being a human, effortlessly acknowledge it as the same molecule, just flipped. However, from the perspective of a machine-learning model, that adjusted image could be interpreted as an entirely new and unexplored data point. This dilemma brings into focus one of the fundamental principles of computer science – symmetry. Defined technically, a molecule is ‘symmetric’ if its basic structure remains unaltered through transformations such as rotation. A Bridge to Enhanced Machine Learning The significance of symmetry becomes particularly evident when applied to the field of drug discovery. In this domain, […]<\/p>\n","protected":false},"author":4,"featured_media":6677,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46],"tags":[],"class_list":["post-6676","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/6676","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/comments?post=6676"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/6676\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media\/6677"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media?parent=6676"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/categories?post=6676"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/tags?post=6676"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}